【技术实现步骤摘要】
本专利技术属于深度学习、计算机辅助医疗和医学影像处理，特别涉及一种用于三维磁共振图像的双向注意力并行网络分割方法。
技术介绍
1、具有高精度的医学图像分割是许多下游临床应用所期望的。医学图像的准确分割能够为医生的诊断提供丰富的看得见的信息。随着计算机计算能力与神经网络的蓬勃发展，诞生了大量的监督式深度学习网络。并且，全监督的深度学习方法在许多分割任务中取得了最先进的分割水平。但是，全监督的网络需要大量的带有标注的数据集，这对于医学图像来说是非常困难的。因为医学图像只有专业的医生才能看得懂，也只有在医生所熟知的医学领域的图像上打标签。但医生看病时并不需要对检查的图像进行打标签操作，因为医生看得懂。这也就意味着需要专门的寻找医生合作来对特定的医学图像打标签。这是造价非常昂贵且耗时的。并且很多时候，并不都能获取到足够多的有所需结构的注释的数据集。
2、无监督域适应能够用来解决这个问题。采用自我训练策略来进行学习。这类方法主要是通过相同语义标签的区域具有大量相似的特征并与不同语义标签的区域不相似来分割各个区域。其中，正确定义相似与不相似以获取更好的识别与区分是至关重要的。然而，尽管这类方法能够不需要有标签的数据来进行训练，但获得替代标签往往难以与目标语义类匹配。再加上不同图像上的相同结构往往因为外界的各种条件的不同而导致不相似或相似性差等。这些问题始终限制着无监督学习的图像分割质量，其所实现的分割准确度往往是不合格的。就算是最近兴起的表征学习略微提高了些分割性能，但离能够接受并应用还是遥遥无期。
3、基于半监督学
4、目前，随着网络越来越深，能够提取的特征信息也越来越丰富。然而，大多数现有的半监督分割方法难以明确的知道自己需要学习的特征，只能一遍又一遍极其低效的迭代学习，并且忽略了大量的空间与通道方面的特征信息。从而在没有注意到的地方限制了的性能。虽然之前也有很多人研究并应用了空间与通道方面的信息，并取得了不错的效果。但并没有完全应用上所有的空间与通道方面的信息。这方面还有丰富的空间与通道方面的信息有待挖掘与利用。针对目前处理的三维医学数据集，其空间与通道上的信息尤为丰富，信息之间的连接关系也更为紧密。本专利技术能够提取更多的空间与通道方向的信息，以更好的提升模型的分割性能。
5、尽管近年来半监督学习在很多领域取得了巨大的成功，但这不意味着医学图像的分割问题已经被完美解决。目前的半监督医学图像分割的准确度虽然已经能够达到80％-90％，但离能够应用在临床中还有所差距，从少量的注释数据中学习判别性特征并实现准确的图像分割依旧任重而道远。此外，当前的很多网络模型都是针对二维图像，专门用于分割三维磁共振图像的网络相对较少，并且效果也比二维的网络模型差得多。为了让网络更有效率的训练，很多人给网络模型加入了各种注意力。但这些网络并没有很好的提取到空间或者通道上的所有有用信息。特别是对于三维医学图像，其空间与通道上的信息尤为丰富，信息之间的连接关系也更为紧密。这方面还有丰富的空间与通道方面的信息有待挖掘与利用。希望更全面的提取空间与通道方面的信息，构造出一种对于三维医学图像分割性能更好的网络。这促使构建一个适合三维医学图像分割任务的端到端联合训练框架。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种用于三维磁共振图像的双向注意力并行网络分割方法，本专利技术通过构造通道注意力机制模块和平行空间注意力机制模块提取到更多的空间和通道特征信息，并结合一致性训练与熵正则化的思想，让子模型互相学习，实现更准确的判断；通过对双向注意力并行网络的评估，证明本方法使用效果较好，具有较好的通用性和鲁棒性。
2、为实现上述目的，本专利技术公开了如下技术方案：
3、一种用于三维磁共振图像的双向注意力并行网络分割方法，其包括：
4、s1：改进通道注意力机制模块处理三维磁共振图像，获得三维磁共振图像特征图，具体包括以下子步骤：
5、s11:将输入三维磁共振图像x进行全局平均池化操作来得到聚合特征；对一个相邻通道进行快速一维卷积获得对应的通道权重；
6、s12:在将步骤s11中的通道权重经sigmoid(σ)函数激活后，得到归一化权重，与输入三维磁共振图像x相乘后加权到通道注意力机制模块的每个通道的特征上；确定通道注意力机制模块的每个通道特征的通道权重；
7、s13：将步骤s12得到的通道注意力机制模块与三维卷积神经网络堆叠，得到改进通道注意力机制模块，利用改进通道注意力机制模块处理三维磁共振图像获得三维磁共振图像特征图；
8、s2：构建平行空间注意力机制模块，处理三维磁共振图像特征图，得到三维磁共振图像输入块，具体包括以下子步骤：
9、s21：通过步骤s1中的三维磁共振图像特征图的空间内部关系产生空间注意力特征图；沿着通道轴对空间注意力特征图分别进行平均池化和最大池化操作；并将得到的两张空间注意力特征图在通道维度上进行拼接；
10、s22：使用卷积核进行卷积操作融合三维磁共振图像信息，将卷积后的结果经过sigmoid函数对空间注意力特征图的空间权重归一化，再将其与输入空间注意力特征图相乘得到三维磁共振图像输入块；具体过程为：
11、
12、其中，ms(f)为三维磁共振图像输入块；f为三维磁共振图像信息；σ为sigmoid激活函数；avgpool(f)为对特征块进行平均池化处理；maxpool(f)为对特征块进行最大池化处理；f7×7为使用7×7大小的卷积核进行卷积操作来融合两种信息；为平均池化获取的权重；为最大池化获取的权重；
13、s3：构建双线并行模式，对三维磁共振图像输入块进行特征拼接；
14、获取步骤s2得到的三维磁共振图像输入块，经第一运行模式处理得到三维磁共振图像第一特征块；经第二运行模式处理得到三维磁共振图像第二特征块；然后将三维磁共振图像第一特征块和三维磁共振图像第二特征块在通道维度上进行拼接，之后再进行一次三维卷积操作；处理得到包含通道注意机制与空间注意机制且三维磁共振图像形状保持一致的特征块；
15、s4：对三维磁共振图像输入块进行三重一致性训练，完成三维磁共振图像的分割操作，具体包括以下子步骤：
16、s本文档来自技高网...
【技术保护点】
1.一种用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于，其包括：
2.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤S12中的通道注意力机制模块通过两个并列子模块并行处理，第一子模块为自适应平均池化模块，第二子模块为自适应最大池化处理模块；经过连续快速卷积之后，将两个子模块得到的结果在通道维度上进行拼接后再进行一个三维卷积操作；融合两个子模块的信息特征；之后通过sigmoid函数激活，将激活后的权重与输入三维磁共振图像X相乘。
3.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤S3中经第一运行模式处理得到三维磁共振图像第一特征块，具体为：第一运行模式为三维磁共振图像输入块经过加入通道注意力机制模块的卷积操作之后，再进行下采样操作得到包含通道方面注意的三维磁共振图像第一特征块。
4.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤S3中经第二运行模式处理得到三维磁共振图像第二特征块，具体为：第二运行模式为三维磁共振图像输入块
5.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤S4中双向注意力并行网络共有四层，第一层并行网络运行过程基于步骤S1、步骤S2和步骤S3共同实现；第二、三、四层并行网络运行过程仅采用步骤S2中的平行空间注意力机制运行；在第一层并行网络中，通过三维卷积得到的特征块用于跳跃连接。
6.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤S41中的三个解码器，具体为：
7.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤S42中的锐化函数，具体为：
8.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤S42中双向注意力并行网络训练模型的训练总损失函数Loss为将分割损失函数Lseg和一致性损失函数Lc的加权相加得到，具体为：
...【技术特征摘要】
1.一种用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于，其包括：
2.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤s12中的通道注意力机制模块通过两个并列子模块并行处理，第一子模块为自适应平均池化模块，第二子模块为自适应最大池化处理模块；经过连续快速卷积之后，将两个子模块得到的结果在通道维度上进行拼接后再进行一个三维卷积操作；融合两个子模块的信息特征；之后通过sigmoid函数激活，将激活后的权重与输入三维磁共振图像x相乘。
3.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤s3中经第一运行模式处理得到三维磁共振图像第一特征块，具体为：第一运行模式为三维磁共振图像输入块经过加入通道注意力机制模块的卷积操作之后，再进行下采样操作得到包含通道方面注意的三维磁共振图像第一特征块。
4.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤s3中经第二运行模式处理得到三维磁共振图像第二特征块，具体为：第二...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。